电力设备局部放电检测研究

电力设备局部放电检测研究摘要：为对电力设备局部放电进行高效、准确、安全的在线监测，提出紫外成像检测法。分析了电力设备局部放电紫外成像原理，针对成像设备捕捉到的紫外图像和可见光图像，经研究提出中值滤波改进算法作为图像预处理算法，小波变换法为两者的融合算法。根据紫外图像特点，选用Canny边缘检测算法，在融合后的图像中准确判断出电力设备的放电程度和放电位置。试验结果表明该方法准确率高，可实现对局部放电的快速判断和定位，具有较高的实用价值。关键词：局部放电；紫外检测；电力设备；图像融合；边缘检测0引言随着社会的进步，电力系统也在快速发展，电网电压等级越来越高，覆盖范围越来越广，电力设备的安全可靠运行也越来越重要。由于电力设备一般都处于室外，不可避免地会产生绝缘损坏、老化等现象，局部放电也会随之产生。局部放电能加快对电力设备绝缘的破坏，降低绝缘寿命，严重影响设备的安全运行。局部放电发生的同时会辐射出光波，紫外成像法正是一种通过探测局部放电辐射出的紫外光信号，进行电力设备在线检测与故障诊断的新兴技术[1-2]。利用阳光紫外线中存在的日盲区，结合图像处理技术，能够清晰地将放电位置和放电强度在图像中显示出来。该方法可用于检测电力设备表面局部放电、电晕放电、绝缘状态等，并能与红外热成像技术形成有效互补，提高对电力设备检测的快速性和准确性。1紫外成像检测原理高压设备发生电离放电时，会辐射出一系列不同波长的电磁波。紫外线的波长范围为100~400nm，阳光中也含有紫外线，但由于臭氧层的吸收，最终到达地球的紫外线波长都在280nm以上，低于280nm的区间成为日盲区[3]。局部放电产生的紫外线波长有一部分在280nm以下，即处于日盲区中，可以通过检测此波段的紫外线来判断局部放电状态，同时避免阳光的干扰。图1为紫外成像系统原理图，信号源被背景光照射后产生的混合光进入到成像设备，通过紫外光束分离器分成两部分：一部分经过信号增强放大后进入到可见光镜头，在可见光相机中形成可见光图像；另一部分则通过“日盲”滤镜，过滤掉日盲区以外的光线，进入紫外镜头，并在紫外相机中形成紫外图像。最后采用特定的图像预处理和融合方法，形成最终输出影像。2图像预处理紫外双光谱检测系统获得的图像是通过微光像增强器和CCD数据采集系统形成的，增强器和CCD在提高亮度和采集数据过程中都会产生噪声，因此，要先对图像进行预处理以降低噪声[4]。2.1中值滤波及其改进算法在成像通道中，最常出现的噪声类型为椒盐噪声，还含有少量高斯噪声，如图2所示为混入噪声的绝缘子放电可见光图像和紫外图像[3]。对于椒盐噪声，一般采用中值滤波方法对图像进行处理，该方法首先对滤波器窗口内的图像点按灰度值进行排序，选择排序后的中值作为滤波器输出，即所要处理的图像点的灰度值。为抑制图像中包含的高斯噪声，将中值滤波与均值滤波算法相结合，提出一种改进算法[5]。对滤波窗口内图像点排序后，以中值点为中心，给每个点分配权值，离中心点越近权值越大，将每个点的灰度值与其权值相乘再求和，最后将和值作为滤波器输出赋给要计算的图像点。算法步骤如下：（1）假设所计算的图像点坐标为(,)Imn，以其为中心，取NNN为奇数）图像区域作为滤波器窗口，取p值为/2N的整数部分。（2）将窗口内NN(,)Iab，则任意点(,)Iij与中值的距离d为(,)(,)(,)dijIijIab(1)（3）权值大小需与距离d呈负相关关系，故取21/(1)d(,)rij可表示从式(2)中可以看出，中值点(,)Iab处权值最大，图像点(,)Iij与中值相差越小，权值(,)rij越大，反之则越小。（4）对窗口内所有图像点灰度值进行加权求和，即得滤波器输出此外，还要对滤波窗口进行选择。滤波器窗口即滤波器所包含的图像像素区域，窗口的大小直接影响着滤波效果和图像处理的效率。2.2图像质量评价指标本文采用信噪比作为图像质量的评价指标，设R为不含噪声的理想图像，F为混入了噪声的图像，将R与F做差得(,)(,)RijFij(,)ij处含有噪声，则(,)(,)RijFij义信噪比SNR为从式(4)中可以看出，图像F中包含的噪声越小，2[(,)(,)]RijFij理想图像的信噪比为无穷大；反之则信噪比越低，图像质量也越差。2.3实验结果分析为验证改进算法的效果及选择滤波窗口，分别用中值滤波及其改进算法对图2中含噪声图像进行不同尺度的窗口滤波，根据式(4)可得四幅图的信噪比及各窗口处理所用时间，如图3所示。从图3可以看出，对于中值滤波器，33窗口下滤波得到的图像信噪比最高，耗时也最少；采用改进算法之后，图像信噪比有所增加，且窗口大小对信噪比影响不大；33窗口下改进后算法消耗时间比中值滤波稍有增加，其它窗口下耗时增加较多。综上所述可知，33窗口下的改进中值滤波算法在滤波效果和耗时上均具有优势，因此在系统中选用3×3窗口改进中值滤波器最佳,为可见光图像和紫外图像在改进算法下的滤波效果。3图像融合紫外成像检测系统是对紫外信号和可见光信号分别进行采集和处理的，检测的最终目的是对紫外辐射信号进行定位和故障分析，因此必须经过图像融合，将分离的紫外和可见光信号合为一帧图像，从而准确判断发生紫外辐射的位置和故障状况。3.1图像融合原理及评价指标图像融合是通过特定算法将两幅或多幅源图像合成为一幅新图像。本文融合的目的是将紫外光斑融入可见光背景中来判断紫外辐射的源点及放电程度。因此选择基于信息量的评价体系[6]，在该体系中，选择信息熵和互信息量作为本文图像融合质量的评价指标。对于一幅图像，将其各像素的灰度值作为相互独立的样本。若灰度级为L，则每个像素点的灰度i取值范围为0~1L{0,1,,,,1}IiL011{,,,,,}iLPPPPPiP表示图像中像素灰度值为i的概率，即灰度为i的像素数iN与图像像素数N之比。每个事件的资讯量可表示为此处取2bbit。则图像信息熵H可定义为资讯量的期望值从式(6)可以看出，信息熵代表着图像信息的丰富程度，融合图像的熵越大，说明融合图像信息量增加越多。由概率论可知，事件Y对事件X的互信息可表示为推广到图像中，设AB、为两幅源图像，F为融合后的图像，则互信息量可表示为互信息量MI((,);)ABF越大，说明融合图像从源图像中提取的信息越多，融合效果也越好。3.2图像融合算法图像融合的方法有很多，为获得较大信息量，本文采用多分辨率融合方法，该方法将两幅源图像分别依照某个模板进行自底向顶的分解，然后对两组图像中同一层上的图像按照一定的算法进行融合，得到一组新的图像，最后采用模板的逆变换得到输出图像。3.2.1金字塔变换法金字塔变换法是多分辨率融合方法的一种，该方法按照一定的编码算法将源图像分解为不同分辨率的图像，并按尺寸大小自下向上排序，形成一个下大上小的金字塔，将每一层融合之后再按照原始编码的逆变换将金字塔重构为融合图像[7]。根据塔形变换时编码算法的不同，金字塔变换法可分为拉普拉斯金字塔变换、比率低通金字塔变换、对比度金字塔变换和梯度金字塔变换四种[6-8]，本文对每种方法都进行了实验和分析。3.2.2小波变换法小波变换法是在金字塔变换法的基础上提出来的，区别在于小波变换是对图像在不同频率通道上进行的处理[9-10]。图像经过小波分解后得到在水平、垂直及对角方向的高频信息和相应分辨率下的低频分量，小波基的正交性消除了高频与低频信号之间的相关性，然后对不同频道选用不同的规则融合，确定小波系数，最后经过逆小波变换重构图像。本文选用Mallat快速小波变换法[6]进行图像融合。3.3图像融合质量分析为验证不同融合方法和分解层数对融合质量的影响，本文采用以上各种方法在不同分解层数下对图4中两幅图像进行了融合。根据式(6)和式(8)求得不同方法下分解层数与信息熵、互信息量的关系。拉普拉斯金字塔变换法、小波变换法和对比度变换法得到的融合图像信息熵较大，梯度变换法和比率低通变换法得到图像的信息熵较小；此外，除比率低通变换法外，其他方法得到的信息熵都随分解层数的增加而增大。图5(b)中，拉普拉斯金字塔变换和小波变换法下生成的融合图像互信息量较大，表明其从源图像中获取的信息最多，而另外三种方法获得的互信息量稍小；除比率低通变换法外，其他方法的互信息量随分解层数的增加而增大，但分解层数在增大的同时也增加了程序运行所需时间。综上所述，我们将比率低通金字塔变换法和小波变换法(拉普拉斯金字塔变换法所得图像与其相似，此处不列出)得到的不同融合质量的图像进行比较。从图5分析可知，小波变换法可以得到与拉普拉斯金字塔变换法相同的效果，且小波变换具有其独特的优势，其变换后图像大小与原图像相等，不产生冗余，变换后的图像提供有方向信息等。在系统设计时，可根据系统对融合效果、处理速度、准确度等各方面的要求确定图像融合的分解层数，一般采取四层小波变换法为最佳。4局部放电故障检测图像融合的目的是对局部放电故障进行检测，可通过紫外图像中的亮斑来确定放电区域[11-12]，从而在融合后的图像中对故障点进行定位。4.1Canny边缘检测紫外图像中放电光斑与背景边缘区分比较明显，可直接根据图像梯度的变化来确定。本文选用Canny边缘检测算子[13]在紫外图像中检测放电光斑，得到边缘点的坐标，求出光斑面积并根据面积大小去除周围杂散的颗粒点，保留下的较大光斑位置即为电力设备的主放电区域，最后在融合图像中定位故障区域。4.2故障检测流程（1）将紫外图像转换为灰度图，灰度级为0~255，对灰度图进行二值化，阈值取240，得到紫外图像的二值图。（2）采用Canny算子对二值图进行边缘检测，其中高斯平滑模板取33，双阈值检测时取低阈值12247(a)所示。（3）根据边缘检测结果，求得每个闭合区域的面积，确定故障区域。本文选用图像大小为300180，将光斑面积大于整幅图像0.5%即270的区域定义为故障区域，图7(a)中较大光斑面积为408，故确认为故障点，其余杂散点可忽略不计。（4）根据紫外图像中求得的故障区域边缘点坐标，在融合图像中对故障区域定位。如图7(b)所示，可清晰地辨别出故障点位置及故障程度。5实例分析为验证上述方法的实用性，本文选取800张实际拍摄的电力设备紫外图像作为样本库进行试验。每次从样本库中随机抽取300张图片检测。本文采用误判率和漏判率两项指标对检测结果进行定量分析。假设样本总数为A，被错误分类的样本数为B，被漏判的含有故障的样本数为C，则定义误判率为漏判率为本文对样本库进行了5次抽样检测，其结果如表1所示。在实际应用中，为保证检测的可靠性，通常将故障阈值范围设置稍宽，因此会有少量正常图像被识别为故障图像，出现误判情况，是被允许的；而漏检则是把含有故障的图像识别为正常图像，这将给电力设备带来巨大的安全隐患，是绝对不允许的。表1中试验结果表明，该方法对电力设备局部放电检测具有较高的可靠性和实用价值。6结论通过对紫外双光谱检测系统获得的紫外放电图像和可见光背景图像的研究，提出了紫外线和可见光图像融合算法；绝缘子放电实例计算结果分析认为，小波变换法具有变换后图像尺寸不变、不产生冗余等优点；采用边缘检测方法可对经处理后的图像进行故障识别与定位。通过对紫外成像检测系统中的图像处理现有技术分析认为，电力设备局部放电紫外成像检测方法仍处于探索阶段，随着研究的深入，其高效、准确、安全等优点将在电力设备状态维修中发挥更大的作用。参考文献[1]王平,许琴,王林泓等.电力设备局部放电信号的在线检测系统研究[J].电力系统保护与控制,2010,38(24):190-194.[2]汪金刚,林伟,李建等.基于紫外检测的开关柜电弧在线检测装置[J].电力系统保护与控制,2011,39(5):128-133.[3]张子伟,律方成.基于紫外成像法的高压输变电设备放电研究[D].保定:华北电力大学,2007.[4]张浩,王伟,徐丽杰等.图像识别技术在电力设备监测中的应用[J].电力系统保护与控制,2010,38(6):88-91.[5]郭雷,李晖晖.图像融合[M].北京:电子工业出版社,2008.[6]苗启广,王宝树.基于改进的拉普拉